[Denny Ceccon]

Olá Geomar,

Eu não saberia te dizer imediatamente, mas o Gemini deu algumas sugestões, veja se consegue checar algumas delas e se resolve o problema.

Você recebeu um erro JSONDecodeError ao tentar obter dados usando a API do Facebook. Isso significa que o programa Python esperava uma resposta JSON válida da API do Facebook, mas recebeu algo que não pôde ser decodificado como JSON.

Existem algumas razões pelas quais isso pode acontecer:

• A API do Facebook retornou um erro: A API do Facebook pode ter retornado uma mensagem de erro em vez dos dados que você esperava. Isso pode ser devido a um problema com sua solicitação de API, como um token de acesso inválido ou um erro de permissão. Você pode verificar a mensagem de erro no response.text para ver o que deu errado.
• A resposta não é JSON válida: É possível que a resposta da API do Facebook não seja JSON válida. Isso pode ser devido a um bug na API do Facebook ou a um problema com sua conexão de rede. Você pode tentar validar a resposta JSON usando uma ferramenta como o JSONLint.

Aqui estão alguns passos que você pode seguir para solucionar o problema:

• Verifique a documentação da API do Facebook para o endpoint que você está tentando acessar para ter certeza de que está fazendo a solicitação corretamente.
• Verifique seu token de acesso da API para ter certeza de que é válido e possui as permissões apropriadas.
• Tente fazer a mesma solicitação usando uma ferramenta diferente, como curl ou Postman, para ver se obtém o mesmo erro.

[Denny Ceccon]

Sem problemas Samuel. Sua prática de procurar ajuda sozinho vai te ajudar muito na sua carreira, mas se não tiver sucesso, por enquanto estamos aqui para ajudar!

[Denny Ceccon]

Samuel, pra te ajudar eu vou adiantar o código atualizado do curso todo, ele ainda não está 100% fechado mas está funcionando, você vai conseguir seguir seus estudos:

https://drive.google.com/drive/folders/12FTO8rlbBYfgmKYevEs22KAAU26jGwln?usp=drive_link, https://drive.google.com/drive/folders/14bIDk7X7YEwJAPSjZr6F93n1_JH9nOYm?usp=drive_link, https://drive.google.com/drive/folders/14udJEXUSFJvWYNpOFTiscHaemtw4TAYp?usp=drive_link, https://drive.google.com/drive/folders/14dFN5SZe60G2_KpSCaEKAxo_C6h7KF0a?usp=drive_link, https://drive.google.com/drive/folders/14p2_gDdx_2rJTXnHCvjjGYaKXAuxNVun?usp=drive_link, https://drive.google.com/drive/folders/14qfzIiYYsDOuwwuw29PIxdVJltpxLUxV?usp=drive_link, https://drive.google.com/drive/folders/12paD7z20OsXyXsyqaQd_uDzbqGYl9ReN?usp=drive_link

Recado aos demais alunos: não posso garantir que estes links estarão disponíveis no futuro.

• This reply was modified 1 year, 7 months ago by Denny Ceccon.

[Denny Ceccon]

Oi Samuel,

Nós estamos trabalhando na atualização desse curso, nossa recomendação é sempre usar versões mais antigas das bibliotecas para conseguir acompanhar os cursos, mas neste caso vou te adiantar o código mais atualizado abaixo:

!pip install scikeras

import pandas as pd
import tensorflow as tf
import sklearn
import scikeras

from scikeras.wrappers import KerasClassifier
from sklearn.preprocessing import LabelEncoder
from tensorflow.keras import utils as np_utils
from tensorflow.keras import backend as k
from tensorflow.keras.models import Sequential
from sklearn.model_selection import cross_val_score

base = pd.read_csv('iris.csv')
previsores = base.iloc[:, 0:4].values
classe = base.iloc[:, 4].values

labelencoder = LabelEncoder()
classe = labelencoder.fit_transform(classe)
classe_dummy = np_utils.to_categorical(classe)

def criar_rede():
k.clear_session()
classificador = Sequential([
tf.keras.layers.InputLayer(shape=(4,)),
tf.keras.layers.Dense(units=4, activation='relu'),
tf.keras.layers.Dense(units=4, activation='relu'),
tf.keras.layers.Dense(units=3, activation='softmax')])
classificador.compile(optimizer='adam', loss='categorical_crossentropy', metrics=['categorical_accuracy'])
return classificador

classificador = KerasClassifier(model=criar_rede, epochs=250, batch_size=10)

resultados = cross_val_score(estimator=classificador, X=previsores, y=classe_dummy, cv=10, scoring='accuracy')

resultados

media = resultados.mean()
print(media)

desvio = resultados.std()
print(desvio)

[Denny Ceccon]

Isso mesmo, ao longo dos estudos você vai conhecendo melhor como os métodos funcionam e quais estratégias pode adotar para melhorar seus resultados. Boa sorte!

[Denny Ceccon]

À disposição!

[Denny Ceccon]

Olá André,

Eu executei o notebook desta aula até essa parte do código e deu tudo certo, pela mensagem de erro é possível que você tenha esquecido de executar algum código, tenta de novo desde o início.

[Denny Ceccon]

O nome do parâmetro da função criarRede precisa ser igual ao do dicionário parametros, então é só deixar igual em ambos.

A demora é porque este tuning está usando 7 parâmetros com 2 opções cada, isso resulta em 2^7 = 128 testes, mas como ainda está usando 5 folds na validação cruzada, são 128 x 5 = 640 testes. É de se esperar que demore mesmo. Por isso, às vezes nós fazemos um tuning menor, com menos parâmetros, e vamos adicionando um parâmetro novo por vez.

[Denny Ceccon]

Samuel, é muito difícil dizer sem fazer uma inspeção detalhada do problema, mas devido ao número de alunos, não temos como inspecionar implementações pessoais.

Entretanto, se você fez tudo certo, ainda assim é possível obter uma predição constante, se os dados que você passou não são suficientes para identificar a classe alvo. Por exemplo, suponha que você esteja usando indicadores sanguíneos para determinar a cor dos olhos das pessoas, dificilmente as variáveis preditoras têm relação com a variável alvo, portanto não existe uma relação para o algoritmo descobrir. Nestes casos, a maior acurácia que o algoritmo pode alcançar é prevendo sempre a classe majoritária nos dados de treinamento (por exemplo, se 80% das pessoas têm olho castanho, então prever sempre olho castanho vai entregar uma acurácia média de 80%).

Outra possibilidade é relacionada ao formato dos dados. Vi que você converteu previsores_treinamento para float32, vale a pena tentar fazer o mesmo com previsores_teste.

Uma terceira possibilidade é que o algoritmo que você escolheu (rede neural) não seja adequado para identificar as classes. Neste caso, vale a pena testar outros algoritmos. A própria rede neural pode ser alterada para tentar obter resultados melhores.

[Denny Ceccon]

Acho que é porque na sua definição de criarRede, você escreveu loos. Corrija para loss.

[Denny Ceccon]

Isso não é um erro, é só um aviso que o parâmetro build_fn vai ser substituído por model em uma próxima versão da biblioteca.

[Denny Ceccon]

Você precisa escrever model mesmo, não classificador, e botar dois underscores depois de model. Uma correção de minha parte: só nos parâmetros que a função criarRede aceita:

parametros = {
    'batch_size': [10, 30],
    'epochs': [50, 100],
    'model__optimizer': ['adam', 'sgd'],
    'model__loss': ['binary_crossentropy', 'hinge'],
    'model__kernel_initializer': ['random_uniform', 'normal'],
    'model__activation': ['relu', 'tanh'],
    'model__neurons': [16, 8]
}

• This reply was modified 1 year, 8 months ago by Denny Ceccon.
• This reply was modified 1 year, 8 months ago by Denny Ceccon.
• This reply was modified 1 year, 8 months ago by Denny Ceccon.
• This reply was modified 1 year, 8 months ago by Denny Ceccon.

[Denny Ceccon]

Respondido na sua outra dúvida https://iaexpert.academy/forums/topic/keras-nao-funcionou/#post-45408

[Denny Ceccon]

Olá Samuel,

Nós estamos preparando uma atualização desse curso, por enquanto você pode mudar todos os parâmetros relacionados ao modelo para o nome model__<parametro>. Exemplo: model__batch_size. Veja que são 2 underlines.

[Denny Ceccon]

Olá Jaime,

Se você clicar no link que termina com esse resíduo, vai ver que retorna uma mensagem de erro dizendo que ela não existe. Esta URL está incorreta.

[Author]

Posts